Adarsh Hiremath 谈 Mercor、AI 招聘与工作的未来

Mercor 联合创始人兼首席技术官 Adarsh Hiremath 与 Harry Stebbings 讨论建立 AI 招聘市场平台、向 AI 实验室提供专家人力，以及工作的未来。Hiremath 对平台及其增长有直接商业利益。访谈没有独立验证有关收入、招聘质量或劳动力市场的说法。

Hiremath 说，他儿时通过辩论比赛认识了联合创始人 Surya，后来在高中认识 Brendan。他将辩论搭档关系比作初创公司：双方共同承担结果、频繁获得反馈并必须承担责任。他说，选择搭档在两种情境中都非常重要。

创始人最初经营一家软件开发工作室，并在印度招聘工程师。Hiremath 说，寻找优秀人才变得比软件本身更有意思，促使他们自动化寻找候选人的过程，最终也自动化了面向企业的一部分流程。这段经历成为 Mercor 市场平台的基础。

他回忆自己身在 Harvard，却把大部分注意力放在公司上。离开学校的决定并不明显：当时业务已有一些收入，但尚未完成种子轮融资，也没有获得 Thiel Fellowship，他的父母对此表示反对。他将选择与朋友共事描述为一个情感决定，而不是建议所有人退学。

创始人在筹集种子轮资金之前搬到了纽约；Hiremath 说，把自己的薪水调整为每月 500 美元让他们觉得达到了早期里程碑。他回忆，种子轮融资超过 300 万美元，由 General Catalyst 领投。这些是他对公司早期融资的回忆。

Stebbings 提到公司在十一月的年化经常性收入为 5000 万美元，并称到访谈时可能更高，之前达到这一数字时有 30 人。他后来还提到传闻中的月环比增长 50%；Hiremath 讨论了快速增长，但没有提供完整定义或经过独立审计的数字。年化运行率或 ARR 不等于已实现的年度收入，主持人的说法在此也未获验证。

被问及每周六天、早上 9 点到晚上 9 点的工作安排时，Hiremath 说创始人提到这些时间，部分原因是为了让团队周日不要工作。他将长时间工作描述为挑选深切关心使命的人的结果，并说发展势头令人振奋。这是创始人的描述；访谈没有证明每位员工的体验或这种安排的可持续性。

他说，快速增长不断考验流程，也迫使人们超越原有职责。他认为，扩展文化可能比扩展软件更困难，因为快速增加人员会让最初团队的规范更难维持。他对深切关心使命的强调体现了公司的招聘理念。

Stebbings 问，Mercor 是否主要为基础模型进行数据标注。Hiremath 认为，更先进的 AI 工作越来越需要寻找特定领域的专家，因此人类数据和人才评估密切相关。他说 AI 实验室通过 Mercor 雇人，帮助改进初始训练后的模型；这是公司的描述，并非人员安置质量的独立证据。

被问及如何衡量招聘成功时，Hiremath 说客户净留存率远超 100%，并将客户扩大合作视为 Mercor 找到优秀人才的迹象。访谈没有提供统计期间或计算方式；客户扩大合作也不能证明每次招聘的准确性、工作人员的结果或公平性。

他说，平台为工程、法律、医疗、金融和咨询等领域安排人才，并介绍了一套根据候选人和职位定制问题的自动面试系统。他称可以在十秒内创建一场面试。访谈没有独立验证系统的准确性、偏差或其是否适合特定招聘决策。

Mercor 使用包括 OpenAI 在内的多个模型；Hiremath 预计底层模型改善将提升面试系统和更广泛的产品。他预测领域专用推理模型会更强、专门用途会增多，同时预计只有少数公司能构建广泛使用的基础模型。这些预测来自一家依赖此类模型的公司。

谈到训练数据，Hiremath 认为专家提供的人类数据对评估、监督微调和强化学习环境仍将重要。Stebbings 提出高质量合成数据的论点，Hiremath 说两者都可能重要，但他认为合格专家是瓶颈。他在提供专家方面的商业利益与此相关，访谈并未确定哪种方法会占主导。

他预计人类在模型无法完成的长尾专业任务中仍有用武之地。例如，他设想 AI 完成任务的 60% 至 80%，人完成剩余部分。这些百分比描述的是假设中的分工，并非实测的系统表现。

Stebbings 问，随着模型进步，是否会需要更少的人。Hiremath 预测工作将变得更专业、更复杂，但没有量化未来就业情况，也没有解决工作被替代的问题。他对遥远未来工作自动化和基本收入的设想属于推测，并非已确定的时间表。

Hiremath 说，首批候选人开始工作时会给客户留下深刻印象，并称 Mercor 能以类似软件的成本找到优秀人才。他说创始人负责销售，大多数客户是主动联系公司。这些是公司说法；访谈没有提供经过控制的价格、质量或销售效率比较。

他说，Mercor 负责的流程从职位发布、候选人资料，到个性化面试和付款都是自动化的。被问及抽成比例时，他说这因客户而异，有时超过 30%，有时更低。访谈没有提供总体平均值，也没有证明每个客户自己的招聘决策都已自动化。

创始人最初借助家庭联系和父母就读过的学校，在印度寻找人才。Hiremath 回忆，自己曾手动面试一位没有通过的工程师，但对方随后详细解释了自己的错误，促使他们雇用了他。他说，后来美国成为平台安置工作人员的最大来源地；他没有给出美国的确切占比。

被问及学生是否仍应学习编程时，Hiremath 回答应该，但预计工作会转向更高的抽象层次。他设想人们协调许多编程智能体，并说自己使用 Cursor 生成测试和重构代码。他对生产率和能力的说法是个人实例，并非经过测量的比较。

他预测编程智能体会降低软件开发成本，并使网络效应更加重要。他没有断言 SaaS 会消失，而是预计产品会替代包括招聘流程在内的完整服务。这项预测符合 Mercor 的业务方向，但不能证明软件成本会趋近于零，也不能证明所有服务都能自动化。

Hiremath 描述了 Mercor 设想的两项优势：连接更多雇主与候选人的市场平台，以及利用工作结果改进匹配的数据反馈循环。他说质量推动了客户留存和收入快速增长。访谈没有独立确定这些效应的规模，也没有证明其预测对不同群体都准确、公平。

他希望 Mercor 自己的招聘流程能够完全自动化，让创始人直到新同事入职才与其见面，但他说公司仍在朝这个目标努力。他倾向于在旧金山面对面工作，并说近距离相处有助于产生想法和能量。这些是他的偏好与抱负，并不能证明某种工作时间或招聘流程适合所有人。

Hiremath 回忆了一次产品失误：创始人预期所有软件交互都会转向聊天，于是让聊天成为招聘的唯一界面。Mercor 后来将聊天与其他界面结合。他仍认为从长期看对话式界面可能可行，但承认他们选错了时机。

他说，几轮融资最初都不在计划之中，并回忆 Benchmark 的 Victor Lazarte 争取与 Brendan 会面，之后 Brendan 与 Peter Fenton 一同乘坐直升机。创始人决定希望 Benchmark 成为合作伙伴。他说约六个月后 Mercor 又完成一轮融资，当时收入为八位数，但没有说明该数字的会计期间。

他确认了由 Felicis 领投的 1 亿美元融资，估值为 20 亿美元，General Catalyst 和 Benchmark 等也参与其中。Stebbings 将这轮融资描述为约 5% 的股权稀释；访谈没有说明这是投前还是投后估值，也没有详述所有交易条款。Hiremath 说公司并不打算立即花掉融资所得，而是希望为长期建设市场平台准备资金。

在快问快答中，Hiremath 称招聘是一项被低估、值得尊重的工作，因为人才塑造了公司。他认为，即使组织希望以更少的人完成更多工作，更好的匹配也能提高效率。这一论点符合 Mercor 的商业目标，并非其产品有效性的独立证明。

他说自己越来越相信下一代 SaaS 将自动化完整服务，并反思建立 Mercor 比创始人离校时预想的更困难。被问及先进 AI 时，他将其与自动化更多有经济价值的工作联系起来，包括研究；他给出的是宽泛观点，而非精确定义或时间表。

展望 2035 年，Hiremath 设想建立一个全球市场平台，通过将人们与职位和任务联系起来，随时间帮助创造 1000 亿个工作机会。这是根据他对求职人数和每人多次就业的假设提出的宏大设想，并非经核实安置人数的预测，也不是保证。他说希望 Mercor 有一天上市。